CN110378464A - 人工智能平台的配置参数的管理方法和装置 - Google Patents
人工智能平台的配置参数的管理方法和装置 Download PDFInfo
- Publication number
- CN110378464A CN110378464A CN201910569545.7A CN201910569545A CN110378464A CN 110378464 A CN110378464 A CN 110378464A CN 201910569545 A CN201910569545 A CN 201910569545A CN 110378464 A CN110378464 A CN 110378464A
- Authority
- CN
- China
- Prior art keywords
- parameter
- automl
- group
- strategy
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Stored Programmes (AREA)
Abstract
本申请公开了一种人工智能平台的配置参数的管理方法和装置。所述方法包括:获取automl平台上基于nasnet的网络结构在预先设置的数据集的性能评价指标;利用预先设置的至少两个参数生成策略对所述性能评价指标进行处理,得到至少两组automl参数,其中所述automl参数用于生成新的网络结构;按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数;利用所述目标automl参数,对所述基于nasnet的网络结构进行下一次迭代操作。
Description
技术领域
本申请涉及信息处理领域,尤指一种人工智能平台的配置参数的管理方法和装置。
背景技术
在人工智能的时代,automl是一款人工智能平台。该平台基于nasnet的网络结构搜索平台执行搜索。其中,搜索操作采用迭代的方法,包括:首先,初始化一种nasnet的网络结构,然后使用数据集进行训练,得到该网络结构在此数据集的性能评价指标,然后使用该性能指标进行更新automl的参数,使用新的automl产生新的网络结构,进入下一个迭代。
上述迭代的方法中的更新策略分为两种,包括:
一种是基于强化学习(reforce learning)进行更新的,在nasnet中具体使用的是基于策略梯度(policy grandient)的强化学习;
另一种是基于非强化学习,有基于复杂度递增搜索的PNAS(Progressive NeuralArchitecture Search,渐进式神经网络结构搜索),有基于训练参数迁移学习(transferlearning)的ENAS(Neural Architecture Search,神经网络架构搜索)。
上述迭代过程的更新策略均有各自的不足,无法进一步加快参数迭过程。
发明内容
为了解决上述技术问题,本申请提供了一种人工智能平台的配置参数的管理方法和装置,能够进一步加快参数迭过程。
为了达到本申请目的,本申请提供了一种人工智能平台的配置参数的管理方法,包括:
获取automl平台上基于nasnet的网络结构在预先设置的数据集的性能评价指标;
利用预先设置的至少两个参数生成策略对所述性能评价指标进行处理,得到至少两组automl参数,其中所述automl参数用于生成新的网络结构;
按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数;
利用所述目标automl参数,对所述基于nasnet的网络结构进行下一次迭代操作。
在一个示例性实施例中,所述利用预先设置的至少两个参数生成策略对所述性能评价指标进行处理,得到至少两组automl参数,包括:
将所述性能评价指标分别发送给所述至少两个参数生成策略对应的各个处理单元,并控制所述各个处理单元并行处理所述性能评价指标;
接收所述各个处理单元并行处理后得到的automl参数。
在一个示例性实施例中,所述按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数,包括:
获取所述至少两个参数生成策略中每个参数生成策略对应的权重信息;
根据所述每个参数生成策略对应的权重信息以及对应的automl参数的数值,确定所述目标automl参数。
在一个示例性实施例中,所述获取所述至少两个参数生成策略中每个参数生成策略对应的权重信息,包括:
在满足预先设置的时间更新策略时,获取至少两组权重数值的集合,其中每组权重数值的集合包括每个参数生成策略对应的权重值;
按照每组权重数据集合包括的权重值,计算每组权重数据的集合对应的目标automl参数;
按照得到的每组权重数据的集合对应的目标automl参数,确定所述每组目标automl参数对应的新的nasnet网络结构信息;
根据所述每组目标automl参数对应的新的nasnet网络结构信息,从所述至少两组权重数值的集合中确定所需的权重数值的集合。
在一个示例性实施例中,所述按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数,包括:
在所述至少两个参数生成策略的总数为N,得到N组automl参数时,从所述N组automl参数中选择一组作为待修正的automl参数,利用剩余的其他N-1组automl参数,对所述待修正的automl参数进行得调整,得到目标automl参数,其中N为大于等于2的自然数。
为了达到本申请目的,本申请提供了一种人工智能平台的配置参数的管理装置,包括处理器和存储器,其中所述存储器存储有计算机程序,所述处理器用于调用所述存储器中的计算机程序以实现如下操作,包括:
获取automl平台上基于nasnet的网络结构在预先设置的数据集的性能评价指标;
利用预先设置的至少两个参数生成策略对所述性能评价指标进行处理,得到至少两组automl参数,其中所述automl参数用于生成新的网络结构;
按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数;
利用所述目标automl参数,对所述基于nasnet的网络结构进行下一次迭代操作。
在一个示例性实施例中,所述处理器调用所述存储器中的计算机程序以实现利用预先设置的至少两个参数生成策略对所述性能评价指标进行处理,得到至少两组automl参数的操作,包括:
将所述性能评价指标分别发送给所述至少两个参数生成策略对应的各个处理单元,并控制所述各个处理单元并行处理所述性能评价指标;
接收所述各个处理单元并行处理后得到的automl参数。
在一个示例性实施例中,所述处理器调用所述存储器中的计算机程序以实现按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数的操作,包括:
获取所述至少两个参数生成策略中每个参数生成策略对应的权重信息;
根据所述每个参数生成策略对应的权重信息以及对应的automl参数的数值,确定所述目标automl参数。
在一个示例性实施例中,所述处理器调用所述存储器中的计算机程序以实现获取所述至少两个参数生成策略中每个参数生成策略对应的权重信息的操作,包括:
在满足预先设置的时间更新策略时,获取至少两组权重数值的集合,其中每组权重数值的集合包括每个参数生成策略对应的权重值;
按照每组权重数据集合包括的权重值,计算每组权重数据的集合对应的目标automl参数;
按照得到的每组权重数据的集合对应的目标automl参数,确定所述每组目标automl参数对应的新的nasnet网络结构信息;
根据所述每组目标automl参数对应的新的nasnet网络结构信息,从所述至少两组权重数值的集合中确定所需的权重数值的集合。
在一个示例性实施例中,所述处理器调用所述存储器中的计算机程序以实现按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数的操作,包括:
在所述至少两个参数生成策略的总数为N,得到N组automl参数时,从所述N组automl参数中选择一组作为待修正的automl参数,利用剩余的其他N-1组automl参数,对所述待修正的automl参数进行得调整,得到目标automl参数,其中N为大于等于2的自然数。
本申请提供的实施例,获取automl平台上基于nasnet的网络结构在预先设置的数据集的性能评价指标,利用预先设置的至少两个参数生成策略对所述性能评价指标进行处理,得到至少两组automl参数,再按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数,利用所述目标automl参数,对所述基于nasnet的网络结构进行下一次迭代操作,加速参数向最优参数更新的速度,从而加训练迭代过程,改善整个automl的性能。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请的技术方案,并不构成对本申请技术方案的限制。
图1为本申请提供的人工智能平台的配置参数的管理方法的流程图;
图2为本申请提供的人工智能平台的配置参数的管理示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,下文中将结合附图对本申请的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1为本申请提供的人工智能平台的配置参数的管理方法的流程图。图1所示方法包括:
步骤101、获取automl平台上基于nasnet的网络结构在预先设置的数据集的性能评价指标;
在一个示例性实施例中,性能评价指标可以利用得到的automl参数生成网络,并利用预先设置的数据集训练网络结构,再对训练得到的网络结构评价网络,得到性能评价指标,其中上述过程可以采用相关技术中的性能评价指标方法来确定。
步骤102、利用预先设置的至少两个参数生成策略对所述性能评价指标进行处理,得到至少两组automl参数,其中所述automl参数用于生成新的网络结构;
在一个示例性实施例中,参数生成策略用于网络结构训练过程中迭代操作所需的参数,利用至少两个参数生成策略,可以得到至少两组automl参数,每组automl参数携带有各自参数生成策略的优势,同时,也携带有该参数生成策略的不足;
步骤103、按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数;
在一个示例性实施例中,利用把上述至少两种参数更新策略结合起来,利用至少两组automl参数进行优势的互补,得到最佳的automl参数,增加参数更新更新的针对性,加速参数向最优参数更新的速度。
步骤104、利用所述目标automl参数,对所述基于nasnet的网络结构进行下一次迭代操作。
在一个示例性实施例中,可以循环执行上述步骤,在每次迭代操作中均采用上述方法,直到得到的网络结构收敛为止,以便更快的完成网络训练,提高网络训练的效率;或者,在部分迭代操作,如迭代操作的结果不理想时,利用上述方法确定automl参数,优化现有迭代操作的过程,提高网络训练的效率。
本申请提供的方法实施例,获取automl平台上基于nasnet的网络结构在预先设置的数据集的性能评价指标,利用预先设置的至少两个参数生成策略对所述性能评价指标进行处理,得到至少两组automl参数,再按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数,利用所述目标automl参数,对所述基于nasnet的网络结构进行下一次迭代操作,加速参数向最优参数更新的速度,从而加训练迭代过程,改善整个automl的性能。
下面对本申请提供的方法进行说明:
图2为本申请提供的人工智能平台的配置参数的管理示意图。如图2所示,automl的整个过程包括初始化automl参数;生成网络;训练网络;评价网络;更新automl参数;这些过程中主要计算在训练网络阶段。所以,更新automl参数阶段不会造成太多资源负担,但是这个过程却很关键,因此,把上述至少两种参数更新策略结合起来,能够应用经验增加参数更新的主观性,从而加速参数向最优参数更新的速度。
在一个示例性实施例中,所述利用预先设置的至少两个参数生成策略对所述性能评价指标进行处理,得到至少两组automl参数,包括:
将所述性能评价指标分别发送给所述至少两个参数生成策略对应的各个处理单元,并控制所述各个处理单元并行处理所述性能评价指标;
接收所述各个处理单元并行处理后得到的automl参数。
在本示例性实施例中,至少两个参数生成策略可以为强化学习(reforcelearning)、基于复杂度递增搜索的PNAS(Progressive Neural Architecture Search,渐进式神经网络结构搜索)或者基于训练参数迁移学习的ENAS(Neural ArchitectureSearch,神经网络架构搜索)。
每个参数生成策略均对应一处理单元,该处理单元可以为处理器中的一个处理进程,上述处理进程采用并行的方式对得到的性能评价指标进行处理,以提高处理效率,方便快速得到全部的automl参数。
在一个示例性实施例中,所述按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数,包括:
获取所述至少两个参数生成策略中每个参数生成策略对应的权重信息;
根据所述每个参数生成策略对应的权重信息以及对应的automl参数的数值,确定所述目标automl参数。
在一个示例性实施例中,autmal参数的总数为A个,参数生成策略的总数为B个,每个参数生成策略均生成A个参数的对应的数值,其中第b个参数生成策略生成的automl参数为a1b、a2b、a3b、……、aAb,其中A、B、b为正整数。
在获取到每个确定策略的权重值mb后,利用得到权重值计算每个参数的数值,其中,mb为第b个参数生成策略的权重值,其中全部参数生成的策略的权重值总和等于1;
其中,目标automl参数中第i个参数的计算表达式如下:
ai=m1*ai1+m2*ai2+……+mb*aib+…….+mB*aiB;
在一个示例性实施例中,所述获取所述至少两个参数生成策略中每个参数生成策略对应的权重信息,包括:
在满足预先设置的时间更新策略时,获取至少两组权重数值的集合,其中每组权重数值的集合包括每个参数生成策略对应的权重值;
按照每组权重数据集合包括的权重值,计算每组权重数据的集合对应的目标automl参数;
按照得到的每组权重数据的集合对应的目标automl参数,确定所述每组目标automl参数对应的新的nasnet网络结构信息;
根据所述每组目标automl参数对应的新的nasnet网络结构信息,从所述至少两组权重数值的集合中确定所需的权重数值的集合。
在本示例性实施例中,每个参数生成策略的权重值是可以变化的,数值的设置可以根据该参数生成策略对迭代计算的效果进行确定,效果越好,权重值越大,反之,权重越小。其中权重值更新的时间可以按照周期性更改,或者,在检测到当前确定的目标automl不理想时进行更改。
在一个示例性实施例中,所述按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数,包括:
在所述至少两个参数生成策略的总数为N,得到N组automl参数时,从所述N组automl参数中选择一组作为待修正的automl参数,利用剩余的其他N-1组automl参数,对所述待修正的automl参数进行得调整,得到目标automl参数,其中N为大于等于2的自然数。
在一个示例性实施例中,autmal参数的总数为A个,参数生成策略的总数为B个,每个参数生成策略均生成A个参数的对应的数值,其中第b个参数生成策略生成的automl参数为a1b、a2b、a3b、……、aAb,其中A、B、b为正整数。可以选择第j个参数生成策略生成的automl参数为待修正的automl参数,利用剩余B-1组的automl参数确定一组automl参数,作为automl参数的参考值;其中参考值的计算方法可以利用通过计算各参数在B-1个参数生成策略确定的数值取平均确定,或者,采用上文权重值的计算方法确定。
在确定automl参数的参考值后,对待修正的automl参数进行调整,得到所述目标automl参数,其中所述目标automl参数的各个参数的数值是通过如下方式得到的,包括如下至少一个:
1、将待修正的automl参数中一个参数与所述参考值中该参数对应的数值进行取平均处理;
2、如果待修正的automl参数中一个参数与所述参考值中该参数对应的数值的差值满足预设的差值过大的判断条件,按照预设的差值调整策略,对该差值进行调整。其中所述预设的判断条件可以为差值占所述待修正的automl参数中参数的数值的比例,其中比例的数值可以根据实际需要进行设置。
下面对本申请实施例提供的方法进行说明:
本申请实施例提供一种基于专家系统的automl参数更新方法,该方法根据专家系统进行参数更新,专家系统中综合了现有的三种参数更新策略。本申请的方法,在automl产生nasnet的结构参数,然后使用数据集训练该网络,并且评价该网络,得到评价指标的具体数值,然后使用三种方法进行计算参数更新,得到具体的参数更新数值,然后通过专家系统的判断和组合,决定如何进行参数更新,最后更新automl的参数,使用新的automl产生新的网络结构参数,进入下一个迭代。
该方法包括如下步骤:
步骤1:automl平台产生nasnet网络结构的配置参数,然后使用固定数据集训练这个nasnet网络,得到网络的评价指标。
步骤2:根据得到的评价指标,利用三种automl的参数更新策略分别对评价指标进行处理,得到参数更新的具体数值。
步骤3:根据所述三种automl参数更新策略的权重,对得到的各组参数值进行组合,对automl做最终的更新;
步骤4:新的automl产生新的nasnet网络结构参数,进入下一次迭代,直到收敛
考虑到automl的参数更新对整体性能影响很大,且相关技术中的更新策略一般都是使用一种;本申请实施例提供的方法,综合三种automl参数更新策略,在不造成资源负担的前提下,能够加快参数向最优参数更新的速度,从而增加整个automl的性能。
本申请实施例提供一种人工智能平台的配置参数的管理装置,包括处理器和存储器,其中所述存储器存储有计算机程序,所述处理器用于调用所述存储器中的计算机程序以实现如下操作,包括:
获取automl平台上基于nasnet的网络结构在预先设置的数据集的性能评价指标;
利用预先设置的至少两个参数生成策略对所述性能评价指标进行处理,得到至少两组automl参数,其中所述automl参数用于生成新的网络结构;
按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数;
利用所述目标automl参数,对所述基于nasnet的网络结构进行下一次迭代操作。
在一个示例性实施例中,所述处理器调用所述存储器中的计算机程序以实现利用预先设置的至少两个参数生成策略对所述性能评价指标进行处理,得到至少两组automl参数的操作,包括:
将所述性能评价指标分别发送给所述至少两个参数生成策略对应的各个处理单元,并控制所述各个处理单元并行处理所述性能评价指标;
接收所述各个处理单元并行处理后得到的automl参数。
在一个示例性实施例中,所述处理器调用所述存储器中的计算机程序以实现按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数的操作,包括:
获取所述至少两个参数生成策略中每个参数生成策略对应的权重信息;
根据所述每个参数生成策略对应的权重信息以及对应的automl参数的数值,确定所述目标automl参数。
在一个示例性实施例中,所述处理器调用所述存储器中的计算机程序以实现获取所述至少两个参数生成策略中每个参数生成策略对应的权重信息的操作,包括:
在满足预先设置的时间更新策略时,获取至少两组权重数值的集合,其中每组权重数值的集合包括每个参数生成策略对应的权重值;
按照每组权重数据集合包括的权重值,计算每组权重数据的集合对应的目标automl参数;
按照得到的每组权重数据的集合对应的目标automl参数,确定所述每组目标automl参数对应的新的nasnet网络结构信息;
根据所述每组目标automl参数对应的新的nasnet网络结构信息,从所述至少两组权重数值的集合中确定所需的权重数值的集合。
在一个示例性实施例中,所述处理器调用所述存储器中的计算机程序以实现按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数的操作,包括:
在所述至少两个参数生成策略的总数为N,得到N组automl参数时,从所述N组automl参数中选择一组作为待修正的automl参数,利用剩余的其他N-1组automl参数,对所述待修正的automl参数进行得调整,得到目标automl参数,其中N为大于等于2的自然数。
本申请提供的装置实施例,获取automl平台上基于nasnet的网络结构在预先设置的数据集的性能评价指标,利用预先设置的至少两个参数生成策略对所述性能评价指标进行处理,得到至少两组automl参数,再按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数,利用所述目标automl参数,对所述基于nasnet的网络结构进行下一次迭代操作,加速参数向最优参数更新的速度,从而加训练迭代过程,改善整个automl的性能。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (10)
1.一种人工智能平台的配置参数的管理方法,其特征在于,包括:
获取automl平台上基于nasnet的网络结构在预先设置的数据集的性能评价指标;
利用预先设置的至少两个参数生成策略对所述性能评价指标进行处理,得到至少两组automl参数,其中所述automl参数用于生成新的网络结构;
按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数;
利用所述目标automl参数,对所述基于nasnet的网络结构进行下一次迭代操作。
2.根据权利要求1所述的方法,其特征在于,所述利用预先设置的至少两个参数生成策略对所述性能评价指标进行处理,得到至少两组automl参数,包括:
将所述性能评价指标分别发送给所述至少两个参数生成策略对应的各个处理单元,并控制所述各个处理单元并行处理所述性能评价指标;
接收所述各个处理单元并行处理后得到的automl参数。
3.根据权利要求1或2所述的方法,其特征在于,所述按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数,包括:
获取所述至少两个参数生成策略中每个参数生成策略对应的权重信息;
根据所述每个参数生成策略对应的权重信息以及对应的automl参数的数值,确定所述目标automl参数。
4.根据权利要求3所述的方法,其特征在于,所述获取所述至少两个参数生成策略中每个参数生成策略对应的权重信息,包括:
在满足预先设置的时间更新策略时,获取至少两组权重数值的集合,其中每组权重数值的集合包括每个参数生成策略对应的权重值;
按照每组权重数据集合包括的权重值,计算每组权重数据的集合对应的目标automl参数;
按照得到的每组权重数据的集合对应的目标automl参数,确定所述每组目标automl参数对应的新的nasnet网络结构信息;
根据所述每组目标automl参数对应的新的nasnet网络结构信息,从所述至少两组权重数值的集合中确定所需的权重数值的集合。
5.根据权利要求1或2所述的方法,其特征在于,所述按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数,包括:
在所述至少两个参数生成策略的总数为N,得到N组automl参数时,从所述N组automl参数中选择一组作为待修正的automl参数,利用剩余的其他N-1组automl参数,对所述待修正的automl参数进行得调整,得到目标automl参数,其中N为大于等于2的自然数。
6.一种人工智能平台的配置参数的管理装置,其特征在于,包括处理器和存储器,其中所述存储器存储有计算机程序,所述处理器用于调用所述存储器中的计算机程序以实现如下操作,包括:
获取automl平台上基于nasnet的网络结构在预先设置的数据集的性能评价指标;
利用预先设置的至少两个参数生成策略对所述性能评价指标进行处理,得到至少两组automl参数,其中所述automl参数用于生成新的网络结构;
按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数;
利用所述目标automl参数,对所述基于nasnet的网络结构进行下一次迭代操作。
7.根据权利要求6所述的装置,其特征在于,所述处理器调用所述存储器中的计算机程序以实现利用预先设置的至少两个参数生成策略对所述性能评价指标进行处理,得到至少两组automl参数的操作,包括:
将所述性能评价指标分别发送给所述至少两个参数生成策略对应的各个处理单元,并控制所述各个处理单元并行处理所述性能评价指标;
接收所述各个处理单元并行处理后得到的automl参数。
8.根据权利要求6或7所述的装置,其特征在于,所述处理器调用所述存储器中的计算机程序以实现按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数的操作,包括:
获取所述至少两个参数生成策略中每个参数生成策略对应的权重信息;
根据所述每个参数生成策略对应的权重信息以及对应的automl参数的数值,确定所述目标automl参数。
9.根据权利要求8所述的装置,其特征在于,所述处理器调用所述存储器中的计算机程序以实现获取所述至少两个参数生成策略中每个参数生成策略对应的权重信息的操作,包括:
在满足预先设置的时间更新策略时,获取至少两组权重数值的集合,其中每组权重数值的集合包括每个参数生成策略对应的权重值;
按照每组权重数据集合包括的权重值,计算每组权重数据的集合对应的目标automl参数;
按照得到的每组权重数据的集合对应的目标automl参数,确定所述每组目标automl参数对应的新的nasnet网络结构信息;
根据所述每组目标automl参数对应的新的nasnet网络结构信息,从所述至少两组权重数值的集合中确定所需的权重数值的集合。
10.根据权利要求6或7所述的装置,其特征在于,所述处理器调用所述存储器中的计算机程序以实现按照预先设置的automl参数的确定策略,利用所述至少两组automl参数,确定目标automl参数的操作,包括:
在所述至少两个参数生成策略的总数为N,得到N组automl参数时,从所述N组automl参数中选择一组作为待修正的automl参数,利用剩余的其他N-1组automl参数,对所述待修正的automl参数进行得调整,得到目标automl参数,其中N为大于等于2的自然数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910569545.7A CN110378464B (zh) | 2019-06-27 | 2019-06-27 | 人工智能平台的配置参数的管理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910569545.7A CN110378464B (zh) | 2019-06-27 | 2019-06-27 | 人工智能平台的配置参数的管理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378464A true CN110378464A (zh) | 2019-10-25 |
CN110378464B CN110378464B (zh) | 2021-11-26 |
Family
ID=68251133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910569545.7A Active CN110378464B (zh) | 2019-06-27 | 2019-06-27 | 人工智能平台的配置参数的管理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378464B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814966A (zh) * | 2020-08-24 | 2020-10-23 | 国网浙江省电力有限公司 | 神经网络架构搜索方法、神经网络应用方法、设备及存储介质 |
WO2021175058A1 (zh) * | 2020-03-05 | 2021-09-10 | 华为技术有限公司 | 一种神经网络架构搜索方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460460A (zh) * | 2017-02-19 | 2018-08-28 | 英特尔公司 | 用于经优化机器学习训练的技术 |
CN109447277A (zh) * | 2018-10-19 | 2019-03-08 | 厦门渊亭信息科技有限公司 | 一种通用的机器学习超参黑盒优化方法及系统 |
US20190095756A1 (en) * | 2017-09-28 | 2019-03-28 | Oracle International Corporation | Algorithm-specific neural network architectures for automatic machine learning model selection |
CN109598332A (zh) * | 2018-11-14 | 2019-04-09 | 北京市商汤科技开发有限公司 | 神经网络生成方法及装置、电子设备和存储介质 |
CN109634736A (zh) * | 2018-12-20 | 2019-04-16 | 郑州云海信息技术有限公司 | 深度学习系统中数据训练方法和装置 |
CN109670587A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109727640A (zh) * | 2019-01-22 | 2019-05-07 | 袁隆平农业高科技股份有限公司 | 基于自动机器学习技术的全基因组预测方法及装置 |
CN109726824A (zh) * | 2018-12-05 | 2019-05-07 | 中科恒运股份有限公司 | 训练模型的迁移学习方法及终端设备 |
-
2019
- 2019-06-27 CN CN201910569545.7A patent/CN110378464B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460460A (zh) * | 2017-02-19 | 2018-08-28 | 英特尔公司 | 用于经优化机器学习训练的技术 |
US20190095756A1 (en) * | 2017-09-28 | 2019-03-28 | Oracle International Corporation | Algorithm-specific neural network architectures for automatic machine learning model selection |
CN109670587A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109447277A (zh) * | 2018-10-19 | 2019-03-08 | 厦门渊亭信息科技有限公司 | 一种通用的机器学习超参黑盒优化方法及系统 |
CN109598332A (zh) * | 2018-11-14 | 2019-04-09 | 北京市商汤科技开发有限公司 | 神经网络生成方法及装置、电子设备和存储介质 |
CN109726824A (zh) * | 2018-12-05 | 2019-05-07 | 中科恒运股份有限公司 | 训练模型的迁移学习方法及终端设备 |
CN109634736A (zh) * | 2018-12-20 | 2019-04-16 | 郑州云海信息技术有限公司 | 深度学习系统中数据训练方法和装置 |
CN109727640A (zh) * | 2019-01-22 | 2019-05-07 | 袁隆平农业高科技股份有限公司 | 基于自动机器学习技术的全基因组预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
QUANMING YAO 等: "Taking the Human out of Learning Applications: A Survey on Automated Machine Learning", 《ARXIV:1810.13306V3》 * |
THOMAS ELSKEN 等: "Efficient multi-objective neural architecture search via lamarckian evolution", 《ARXIV:1804.09081V3》 * |
陈雨强: "可降低AI应用门槛的自动机器学习技术", 《人工智能》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021175058A1 (zh) * | 2020-03-05 | 2021-09-10 | 华为技术有限公司 | 一种神经网络架构搜索方法、装置、设备及介质 |
CN111814966A (zh) * | 2020-08-24 | 2020-10-23 | 国网浙江省电力有限公司 | 神经网络架构搜索方法、神经网络应用方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110378464B (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Integrating experts' weights generated dynamically into the consensus reaching process and its applications in managing non-cooperative behaviors | |
CN109768940B (zh) | 多业务sdn网络的流量分配方法及装置 | |
CN110533183A (zh) | 一种流水线分布式深度学习中异构网络感知的模型划分与任务放置方法 | |
CN108021754A (zh) | 一种无人机自主空战决策框架及方法 | |
CN105978732B (zh) | 一种基于粒子群优化最简回声状态网络参数的方法和系统 | |
CN110138612A (zh) | 一种基于QoS模型自校正的云软件服务资源分配方法 | |
CN113361680A (zh) | 一种神经网络架构搜索方法、装置、设备及介质 | |
CN111047085A (zh) | 一种基于元学习的混合动力车辆工况预测方法 | |
EP3502978A1 (en) | Meta-learning system | |
CN109934330A (zh) | 基于多样化种群的果蝇优化算法来构建预测模型的方法 | |
CN110033081A (zh) | 一种确定学习率的方法和装置 | |
CN104217258A (zh) | 一种电力负荷条件密度预测方法 | |
CN110378464A (zh) | 人工智能平台的配置参数的管理方法和装置 | |
CN115374853A (zh) | 基于T-Step聚合算法的异步联邦学习方法及系统 | |
CN105427241A (zh) | 一种大视场显示设备的畸变校正方法 | |
CN112149990B (zh) | 一种基于预测的模糊供需匹配方法 | |
CN107306207A (zh) | 结合Skyline计算与多目标强化学习服务组合方法 | |
CN110738362A (zh) | 一种基于改进的多元宇宙算法构建预测模型的方法 | |
CN107590538B (zh) | 一种基于在线序列学习机的危险源识别方法 | |
CN113887748B (zh) | 在线联邦学习任务分配方法、装置、联邦学习方法及系统 | |
CN116050540A (zh) | 一种基于联合双维度用户调度的自适应联邦边缘学习方法 | |
CN108921281A (zh) | 一种基于深度网络和对抗技术的领域适配方法 | |
CN111832817A (zh) | 基于mcp罚函数的小世界回声状态网络时间序列预测方法 | |
CN107273976A (zh) | 一种神经网络的优化方法、装置、计算机及存储介质 | |
CN111767991B (zh) | 一种基于深度q学习的测控资源调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |